Cooperative Trajectory Design of Multiple UAV Base Stations With Heterogeneous Graph Neural Networks

Cooperative Trajectory Design of Multiple UAV Base Stations With Heterogeneous Graph Neural Networks

“多个无人机基站的协同轨迹设计与异构图神经网络”。
文章研究了多个无人机基站（UAV-BSs）的协同轨迹设计问题，旨在最大化终端（GTs）的公平吞吐量。

1. 作者提出了一种基于异构图的关系表达方法。用来表达UVA-BSs和GT的关系。
2. 并设计了一个名为GVis&Comm的框架，通过显式信息交换促进UAV-BSs之间的合作。
3. 通过利用多智能体强化学习（MARL），UAV-BSs作为智能体学习分布式轨迹设计策略。
4. 最后大量数值模拟表明，该框架在处理每个UAV-BS的局部观测方面具有显著效率，并通过UAV-BSs之间的紧密合作提高了整体网络性能。

进入正文：

I、介绍

首先介绍了UVAs的应用，可以应用于无线通信，作为临时基站，备用通信设施，应对与自然灾害后的通信。因为其高机动性能做到地面基站做不到的一些，如相比地面设备更少的阻碍等。但也会增加网络优化的复杂性。

然后介绍了ML和RL的发展能解决决策的任务，特别是最近的多智能体强化学习(MARL)能够让每个UVA独立的决策，适应无线网络分散的要求。

对于之前的那些相关的研究，作者指出没有考虑到对于GTs信息的未知性，而显示场景中的，如遇到自然灾害，对于GTs的分布是不能预知的。另外，对于大量且随时间变化的活动GT，导致了输入维度的不一致，现有的ML方法不能解决。

这篇文章会考虑这些现实的问题：
不会预知GTs的信息；UAV-BS也不能提前放置在最佳的位置，只能不断的搜索GTs的信息；UAV-BS只有有限的感知范围，只能接收附近的GT服务请求。

文章提出解决方法：

1. UAV-BS与GTs关系：利用GNN。图神经网络 (GNN) 特别擅长利用不规则数据的底层结构或不同实体之间的关系。
2. 基于第一点，提出异构的GNN架构，GVis&Comm，前部分用来本地观测，后部分用来邻近合作。
3. MARL应用于GVis&Comm，让UAV-BSs从头开始建立轨迹设计策略。

文章贡献：

1. 研究了多个无人机基站（UAV-BS）的分布式轨迹设计问题，旨在最大化随机分散的地面终端（GT）的吞吐量，并考虑长期公平性。
2. 使用异构图来表征GT和UAV-BS之间的多种关系，并引入了GVis&Comm来处理局部观察和UAV-BS之间的协作信息共享。
3. 通过将UAV-BS视为代理并采用多智能体强化学习，作者成功地实现了UAV-BS之间的合作行为，并显著提高了系统性能。

II、相关工作（介绍现有UAV辅助通信的现有研究）

主要回顾了现有关于无人机辅助通信和相关机器学习技术的研究。

首先在第一段讨论了无人机基站的灵活移动如何显著提高地面终端的服务质量，但最优轨迹设计是一个复杂的问题，受到许多因素的影响。

接着，在第二段作者回顾了机器学习在无线通信中解决复杂优化问题的应用，特别是强化学习技术在控制或战略任务中表现出的卓越能力。

最后，在第三段作者讨论了图神经网络（GNN）在无线通信中的应用，以及多智能体强化学习（MARL）在处理动态异构图问题方面的潜力。